一项发表在《Radiology》上的研究表明，一种新的深度学习模型在检测和分割肺癌方面展现出潜在的应用价值。研究结果可能对肺癌的治疗产生重大影响。
根据美国癌症协会的数据，肺癌是美国男性和女性中第二常见的癌症，同时也是癌症死亡的主要原因。
在CT图像上准确检测和分割肺部肿瘤对于追踪癌症生长、评估治疗效果和规划放射治疗至关重要。目前，合格的医生手动识别和分割肺部肿瘤，这是一个耗时的过程，容易受到医生差异的影响。
尽管人工智能深度学习技术已被用于肺癌检测和分割，但以往的研究受到小规模数据集、人工输入以及仅关注肺癌分割的限制。这凸显了开发能够在各种临床环境中可靠自动勾勒肿瘤的模型的需求。
本研究开发了一个接近专家水平的肺部肿瘤识别和分割模型，使用了独特的、大规模的常规收集的放疗前CT模拟扫描及其相应的临床3D分割。主要目标是创建一个能够在不同医疗机构的CT扫描中可靠识别和分离肺癌的模型。
据斯坦福大学医学院医学系住院医师、研究首席作者Mehr Kashyap博士介绍：“据我们所知，我们的训练数据集是文献中报道的最大规模的CT扫描和临床肿瘤分割集合，用于构建肺癌检测和分割模型。”
模型架构提供优势
这项回顾性研究使用了1,504个包含1,828个分割肺部肿瘤的CT扫描，来训练一个集成3D U-Net深度学习模型，用于肺部肿瘤检测和分割。之后，使用150个CT扫描测试该模型。
模型预测的肿瘤体积与医生定义的肿瘤体积进行了比较。性能指标包括敏感性、特异性、假阳性率和Dice相似系数（DSC）。通过将模型分割与三位医生的分割进行比较，获得了每对模型-医生的DSC值。
使用150个CT扫描测试集，模型对肺部肿瘤的检测达到了82%的特异性和92%的敏感性。
在一组包含单个肺部肿瘤的100个CT扫描中，模型-医生和医生-医生分割的中位DSC分别为0.77和0.80。模型所需的分割时间比医生更短。
Kashyap博士认为，使用3D U-Net架构构建模型赋予了它相对于使用2D架构的优势。“通过捕捉丰富的层间信息，我们的3D模型理论上能够识别2D模型无法区分的小病变，如血管和气道结构。”他补充道。
模型的一个缺点是对肿瘤体积的低估，这导致其在处理非常大的肿瘤时表现较差。因此，Kashyap博士建议该模型应在医生监督下使用，以便医生可以检测和消除低质量分割和错误识别的病变。
研究人员表示，未来的研究应集中于使用该模型计算总体肺癌负担，并评估随时间的治疗反应，将其与现有方法进行比较。此外，他们建议评估该模型基于估计的肿瘤负担预测临床结果的能力，特别是当与其他使用多种临床变量的预后模型结合时。
“我们的研究代表了自动化肺部肿瘤识别和分割的重要一步。这种方法可能具有广泛的影响，包括纳入自动化治疗计划、肿瘤负担量化、治疗反应评估以及其他放射组学应用。”Kashyap博士总结道。
(全文结束)
